张量的类型转换

一.元素类型的转换

• data.type(torch.DoubleTensor)
• data.double

1. data.type(torch.DoubleTensor)或data.type(torch.double)

• 作用：将张量转换为指定的类型类（Tensor class）
• 同类方法：
  • data.type(torch.IntTensor)或者data.type(torch.int) → int32
  • data.type(torch.LongTensor)或者data.type(torch.long) → int64
  • data.type(torch.FloatTensor)或者data.type(torch.float)→ float32
• 示例：

import torch
data = torch.tensor([1, 2, 3], dtype=torch.float32)
# 转换为 DoubleTensor（即 float64）
double_data = data.type(torch.DoubleTensor)
print(double_data.dtype)  # 输出：torch.float64

2.data.double()

• 作用：直接将张量转换为 float64 （双精度浮点型），等价于 data.type(torch.DoubleTensor)

• 同类方法：

  • data.float() → float32
  • data.int() → int32
  • data.long() → int64
  • data.bool() → bool

• 示例：

data = torch.tensor([1, 2, 3], dtype=torch.float32)
double_data = data.double()
print(double_data.dtype)  # 输出：torch.float64

二.张量和ndarray的转换

张量与Numpy转换

1.张量 → Numpy数组：tensor.numpy()

原生特性

直接调用 tensor.numpy() 生成的数组与原张量共享底层内存，修改其中一方，另一方数据会同步变动

import torch
import numpy as np
t = torch.tensor([1,2,3])
arr = t.numpy()
t[0] = 100
print(arr) # 输出 [100 2 3]，数据同步改变

用copy/clone切断内存共享（两种写法）

1. 先克隆张量再转数组（PyTorch侧拷贝）

tensor.clone() 会开辟全新内存复制张量，再转numpy就无关联：

t = torch.tensor([1,2,3])
arr = t.clone().numpy() # 先复制张量，再转数组
t[0] = 100
print(arr) # 输出 [1 2 3]，不受原张量修改影响

2. numpy数组层面拷贝（Numpy侧拷贝）

拿到共享数组后调用 .copy() 生成独立数组副本：

t = torch.tensor([1,2,3])
arr_shared = t.numpy()
arr = arr_shared.copy() # 数组单独拷贝
t[0] = 100
print(arr) # 输出 [1 2 3]

2.Numpy数组 → 张量

1.torch.from_numpy(arr) ：共享内存

原生转换共享内存，修改numpy数组，张量同步变化；
搭配 arr.copy() 拷贝数组后再转换，即可隔离：

arr = np.array([1,2,3])
t = torch.from_numpy(arr.copy()) # 先拷贝数组
arr[0] = 100
print(t) # tensor([1, 2, 3])，无联动修改

2.torch.tensor(arr) ：天然独立内存

该方法会直接复制一份全新数据，无需额外copy，默认不共享内存：

arr = np.array([1,2,3])
t = torch.tensor(arr)
arr[0] = 100
print(t) # tensor([1, 2, 3])

3.转换方法内存对比表

三.标量张量和数字转换

对于只有一个元素的张量，使用item()函数将该值从张量中提取出来

#当张量只包含一个元素时可以通过item（）函数提取出该值
data=torch.rensor([30,])
print(data.item())#输出30
data=torch.tensor(30)
print(data.item())#输出30